Python mašīnmācībai - kurss RUB 49 990. no Speciālists, apmācība, Datums: 27.11.2023.

Kursā galvenā uzmanība pievērsta Python izmantošanai mašīnmācības tehnoloģijās. Tiek pētītas galvenās mašīnmācībā izmantotās bibliotēkas un to izmantošanas metodes.
Kurss tiek pasniegts, pamatojoties uz mašīnmācīšanās bibliotēkām Scikit-Learn un TensorFlow. Mācību procesā aktīvi tiek izmantoti izstrādes rīki Jupyter Notebook un Jupyter-Lab. Tiek izmantoti arī Google Colab mākoņdatošanas resursi.
Kurss ir ieteicams Python programmētājiem un datu zinātnes speciālistiem.

Tu iemācīsies:
pielietot mašīnmācīšanās tehnoloģijas;
izmantot klasifikācijas, regresijas, klasterizācijas modeļus;
izmantot datu pirmapstrādes metodes un mašīnmācīšanās vākus;
izvēlēties mašīnmācīšanās modeļus, pamatojoties uz viņu darba kvalitāti;
padziļināt savas zināšanas par Python, apgūt modernus rīkus mašīnmācīšanās modeļu izstrādei.

1. modulis. Mašīnmācīšanās problēmas paziņojums (2 ac. h.)
Trīs mašīnmācības veidi.
Shēma mašīnmācības sistēmu konstruēšanai.
Nepieciešamie instrumenti.
Praktizējiet darba vides izveidi un Anaconda un Jupyter Notebook lietošanu.

2. modulis. Apmācība ar skolotāju. Klasifikācijas problēma (6 ak. h.)
Neironu tīkla jēdziens.
Perceptrons. Definīcija, īstenošana un apmācība.
Adaptīvs lineārs neirons. Definīcija, īstenošana un apmācība.
Gradienta nolaišanās metode.
Stohastiskā gradienta nolaišanās adaptīvā lineārā neironā.
Dinamiska mācīšanās uz lielajiem datiem.
Praktizējieties ar modeļu un Scikit-Learn datu kopām.
Prakse Jupyter piezīmju grāmatiņā.
3. modulis. Scikit-learn bibliotēka, tās galvenās funkcijas (6 ac. h.)
Perceptrona apmācība.
Loģistiskās regresijas metode.
Atbalsta vektora mašīnu.
k-tuvāko kaimiņu metode.
Lēmumu koki.
Patvaļīgu koku ansamblis.
Prakse Jupyter piezīmju grāmatiņā.
4. modulis. Apmācība ar skolotāju. Regresijas problēma (6 ak. h.)
Apmācība ar skolotāju. Regresijas problēma.
Lineārā regresija.
Mazākā kvadrāta metode.
Gradienta nolaišanās metode.
Darbs ar emisijām. RANSAC() algoritms.
Bootstrap tehnika regresijas koeficientiem.
Regresijas modeļa kvalitātes novērtēšana.
Nelineārās regresijas pamati.
Prakse Jupyter piezīmju grāmatiņā.
5. modulis. Datu priekšapstrāde, funkciju un modeļu izvēle (6 ac. h.)
Trūkstošo datu apstrāde.
Apstrādes kategorijas.
Priekšapstrādes un apmācības modeļi.
Būtisku pazīmju izvēle.
Nozīmīgu objektu izpēte, izmantojot nejaušus mežus.
Mašīnmācīšanās cauruļvadi.
Savstarpēja validācija un modeļa izvēle.
Prakse Jupyter piezīmju grāmatiņā.
6. modulis. Mācīšanās bez skolotāja. Klasteru analīze (6 ac. h.)
K-nozīmē metode.
Galvenās sastāvdaļas analīze.
Lineārā diskriminanta analīze.
Hierarhiskā klasterizācija.
Klasterizācija pēc blīvuma.
Prakse Jupyter piezīmju grāmatiņā.
7. modulis. Dziļās mācīšanās pamati (8 ak. h.)
Grafiki un izkliedētā skaitļošana.
Tensorflow instalēšana.
Tenzori.
Datu kopas.
Lietojumprogrammas saskarne (API) Keras.
Lineārā regresija ar stohastisku gradienta nolaišanos.
Iris datu klasifikācija pēc divslāņu neironu tīkla.
Neironu slāņu aktivizācijas funkcijas.
MNIST datu klasifikācija.
Praktizējieties programmā Google Colab.